我有一個代表稀疏 3-D 矩陣的壓縮格式的張量。我需要將它轉(zhuǎn)換為普通矩陣（它實際代表的矩陣）。因此，在我的例子中，矩陣的任何二維切片的每一行只能包含一個非零元素。作為數(shù)據(jù)，我有這些行中的每一行、值和它出現(xiàn)的索引。例如，張量inp = torch.tensor([[ 1, 2], [ 3, 4], [-1, 0], [45, 1]])表示一個 4x5 矩陣（第一維來自張量的第一維，第二維來自元數(shù)據(jù)）A，其中A[0][2] = 1, A[1][4] = 3, A[2][0] = -1, A[3][1] = 45.這只是我的 Matrix 的一個二維切片，我有可變數(shù)量的切片。我能夠使用 sparse_coo_tensor 通過以下方式對二維切片執(zhí)行此操作，如上所述：>>> torch.sparse_coo_tensor(torch.stack([torch.arange(0, 4), inp.t()[1]]), inp.t()[0], [4,5]).to_dense()tensor([[ 0, 0, 1, 0, 0], [ 0, 0, 0, 0, 3], [-1, 0, 0, 0, 0], [ 0, 45, 0, 0, 0]])這是實現(xiàn)此目標的最佳方法嗎？有沒有更簡單、更易讀的替代方案？如何在不循環(huán)的情況下將其擴展到 3-D 矩陣？對于 3-D 矩陣，您可以想象輸入類似于inp_list = torch.stack([inp, inp, inp, inp])并且所需的輸出將是上述輸出堆疊 4 次。我覺得如果我正確地創(chuàng)建一個索引數(shù)組我應該能夠做一些事情，但是我想不出一種不使用某種循環(huán)的方法來做到這一點。
2 回答
慕后森
TA貢獻1802條經(jīng)驗 獲得超5個贊
好的，在對不同類型的索引進行了大量實驗之后，我讓它工作了。事實證明，答案就在 Advanced Indexing 中。不幸的是，PyTorch 文檔沒有詳細介紹高級索引。這是 Numpy 文檔中的鏈接。
對于上述問題，此命令起到了作用：
>>> k_lst = torch.zeros([4,4,5])
>>> k_lst[torch.arange(4).unsqueeze(1), torch.arange(4), inp_list[:,:,1]] = inp_list[:,:,0].float()
>>> k_lst
tensor([[[ 0., 0., 1., 0., 0.],
[ 0., 0., 0., 0., 3.],
[-1., 0., 0., 0., 0.],
[ 0., 45., 0., 0., 0.]],
[[ 0., 0., 1., 0., 0.],
[ 0., 0., 0., 0., 3.],
[-1., 0., 0., 0., 0.],
[ 0., 45., 0., 0., 0.]],
[[ 0., 0., 1., 0., 0.],
[ 0., 0., 0., 0., 3.],
[-1., 0., 0., 0., 0.],
[ 0., 45., 0., 0., 0.]],
[[ 0., 0., 1., 0., 0.],
[ 0., 0., 0., 0., 3.],
[-1., 0., 0., 0., 0.],
[ 0., 45., 0., 0., 0.]]])
這正是我想要的。
我在搜索這個時學到了很多東西，我想與任何偶然發(fā)現(xiàn)這個問題的人分享這個。那么，為什么會這樣呢？答案在于廣播的工作方式。如果您查看所涉及的不同索引張量的形狀，您會發(fā)現(xiàn)它們（必然）是可廣播的。
>>> torch.arange(4).unsqueeze(1).shape, torch.arange(4).shape, inp_list[:,:,1].shape
(torch.Size([4, 1]), torch.Size([4]), torch.Size([4, 4]))
顯然，要訪問此處的 k_lst 等 3-D 張量的元素，我們需要 3 個索引 - 每個維度一個。如果你給算子3個相同形狀的張量[]，它可以通過從3個張量中匹配對應的元素得到一堆合法的索引。
如果這 3 個張量具有不同的形狀，但可以廣播（就像這里的情況），它會復制缺少張量的相關(guān)行/列所需的次數(shù)以獲得具有相同形狀的張量。
最終，就我而言，如果我們研究如何分配不同的值，這相當于做
k_lst[0,0,inp_list[0,0,1]] = inp_list[0,0,0].float()
k_lst[0,1,inp_list[0,1,1]] = inp_list[0,1,0].float()
k_lst[0,2,inp_list[0,2,1]] = inp_list[0,2,0].float()
k_lst[0,3,inp_list[0,3,1]] = inp_list[0,3,0].float()
k_lst[1,0,inp_list[1,0,1]] = inp_list[1,0,0].float()
k_lst[1,1,inp_list[1,1,1]] = inp_list[1,1,0].float()
.
.
.
k_lst[3,3,inp_list[3,3,1]] = inp_list[3,3,0].float()
這個格式讓我想起了torch.Tensor.scatter()，但是如果能用它來解決這個問題，我還沒想好怎么辦。
www說
TA貢獻1775條經(jīng)驗 獲得超8個贊
我相信你所說的是你有一個稀疏張量并且想要轉(zhuǎn)換它。從tf.sparse.to_dense開始，然后是tensorflow.Tensor.eval()
添加回答
舉報
0/150
提交
取消